Remote Contouring and Virtual Review during the COVID-19 Pandemic (RECOVR-COVID19): Results of a Quality Improvement Initiative for Virtual Resident Training in Radiation Oncology
Notice bibliographique
Résumé
The need to minimize in-person interactions during the COVID-19 pandemic has led to fewer clinical learning opportunities for trainees. With ongoing utilization of virtual platforms for resident education, efforts to maximize their value are essential. Herein we describe a resident-led quality improvement initiative to optimize remote contouring and virtual contour review. From April to June 2020, radiation oncology (RO) residents at our institution were assigned modified duties. We implemented a program to source and assign cases to residents for remote contouring and to promote and optimize virtual contour review. Resident-perceived educational value was prospectively collected and analyzed. All nine RO residents at our institution (PGY1–5) participated, and 97 cases were contoured during the evaluation period. Introduction of the Remote Contouring and Virtual Review (RECOVR) program coincided with a significant increase in mean cases contoured per week, from 5.5 to 17.3 (p = 0.015), and an increased proportion of cases receiving virtual review, from 14.8% to 58.6% (p < 0.001). Residents reported that the value of immediate feedback during virtual review was similar to that of in-person review (4.6 ± 0.1 vs. 4.5 ± 0.2, p = 0.803) and significantly higher than feedback received post hoc (e.g., email; 3.6 ± 0.2, p < 0.001). The implementation of a remote process for contour review led to significant increases in contouring, and virtual contour review was rated as highly as in-person interactions. Our findings provide a data-driven rationale and framework for integrating remote contouring and virtual review into competency-based medical education.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».